Generatives Adversariales Netzwerk (GAN)
Ein generativ-adversariales Netzwerk (GAN) ist eine Art von generativer KI-Architektur , die zwei neuronale Netze nutzt – einen Generator und einen Diskriminator –, die gegeneinander trainiert werden. GANs sind darauf ausgelegt, synthetische Inhalte zu generieren, die realen Daten sehr ähnlich sind.
Der Generator erzeugt synthetische Ergebnisse auf der Grundlage von Mustern, die er aus den Trainingsdaten gelernt hat, während der Diskriminator beurteilt, ob eine Stichprobe echt oder von einer KI generiert ist. Während des Trainings stehen die beiden Modelle in einem ständigen Wettstreit: Der Generator versucht, immer überzeugendere Ergebnisse zu erzeugen, während der Diskriminator versucht, zu erkennen, ob diese Ergebnisse gefälscht sind. Dieser Prozess wird als adversariales Training bezeichnet.
Dieser kontradiktorische Trainingsprozess wird so lange fortgesetzt, bis es für den Diskriminator schwierig wird, die generierten Ergebnisse zuverlässig von echten Daten zu unterscheiden. Die Wirksamkeit von GANs beruht auf diesem ständigen Regelkreis.
Einfacher ausgedrückt geht es um zwei miteinander konkurrierende neuronale Netze: Das eine lernt, synthetische Daten zu erzeugen, während das andere lernt, diese zu erkennen. Durch diesen Wettbewerb verbessern sich beide Modelle gleichzeitig, was oft zu äußerst überzeugenden synthetischen Medien führt, die echten Bildern, Videos oder Audiodateien zum Verwechseln ähnlich sehen können.
Häufige Anwendungsbereiche generativ-adversarischer Netzwerke
GANs werden meist mit der Bildsynthese und der Erstellung von Deepfakes in Verbindung gebracht, können jedoch auch zur Bildverbesserung, Stilübertragung, Superauflösung, Videogenerierung und zur Erstellung synthetischer Daten eingesetzt werden.
Zu den legitimen Anwendungsbereichen zählen die Erstellung von Trainingsdatensätzen für maschinelles Lernen, die Restaurierung von Bildmaterial geringer Qualität sowie die Unterstützung der Forschung im Bereich Computer Vision. GANs werden jedoch auch häufig mit böswilligen Anwendungen generativer KI in Verbindung gebracht, insbesondere bei der Erstellung von Deepfakes und synthetischen Identitäten.
GANs, Identitätsbetrug und Identitätsprüfung
Im Zusammenhang mit Identitätsprüfung, Dokumentenprüfung und Lebendigkeitserkennung können GANs dazu verwendet werden, fotorealistische synthetische Gesichter, manipulierte Identitätsbilder und gefälschte biometrische Daten zu erzeugen.
Angreifer können GAN-generierte Bilder von nicht existierenden Personen nutzen und diese mit gefälschten oder manipulierten Ausweisdokumenten kombinieren, um synthetische Identitäten zu erstellen. Diese Angriffe zielen darauf ab, Identitätsprüfungen während des gesamten Lebenszyklus digitaler Identitäten zu umgehen – einschließlich der Nutzerregistrierung, der Authentifizierung und der Kontowiederherstellung
GAN-generierte Medien können auch für folgende Zwecke genutzt werden:
- Gefälschte Ausweisdokumente verbessern
- Den Realismus der in Präsentationsangriffen und Injektionsangriffen verwendeten Bilder verbessern
- Erstellen Sie Deepfake-Inhalte, die darauf abzielen, Identitätsprüfungssysteme zu unterlaufen.
Erkennung von durch GANs generierten Medien
Mit dem Fortschritt generativer KI-Technologien wird es für herkömmliche Betrugserkennungssysteme immer schwieriger, zwischen authentischen und synthetischen Medien zu unterscheiden.
iProov nutzt eine patentierte Lebendigkeitserkennung mit Flashmark-Technologie, um Medien zu erkennen, die von generativen gegnerischen Netzwerken erstellt wurden. Mithilfe von Deep Learning und Computer Vision werden bestimmte Merkmale echter menschlicher Präsenz analysiert, die sich durch synthetische Medien nur sehr schwer nachbilden lassen. Unsere Lösungen überprüfen, ob sich auf der anderen Seite der Kamera eine echte Person befindet. Eine ausführlichere technische Erläuterung finden Sie hier auf der Seite zum Challenge-Response-Mechanismus.
Durch den Einsatz einer zuverlässigen Lebendigkeitserkennung können Unternehmen bei der Authentifizierung zwischen synthetischen Medien und einer tatsächlich anwesenden realen Person unterscheiden.
Weiterführende Ressourcen zu generativen gegnerischen Netzwerken
Wenn Sie mehr darüber erfahren möchten, wie Betrüger generative KI wie GANs nutzen, um die Identitätsprüfung zu unterlaufen und Betrug mit synthetischen Identitäten zu fördern, lesen Sie hier unseren Bericht „Stolen to Synthetic“.
Lesen Sie mehr: